用途：本技能提供 PyTorch 惯用模式与最佳实践，用于编写新模型或训练脚本、审查深度学习代码、调试训练循环与数据管道、优化 GPU 显存与训练速度、搭建可复现实验。
主要能力：1) 设备无关代码，用 torch.device("cuda" if torch.cuda.is_available() else "cpu") 而非硬编码 .cuda()；2) 可复现性，统一设置 torch.manual_seed、torch.cuda.manual_seed_all 及 cudnn 确定性；3) 显式形状管理，在 forward 中标注张量维度；4) 规范的 nn.Module 结构与显式权重初始化；5) 标准训练循环（model.train()、optimizer.zero_grad(set_to_none=True)、梯度裁剪）与验证循环（model.eval()、@torch.no_grad()）；6) 自定义 Dataset 与高效 DataLoader（num_workers、pin_memory、persistent_workers、drop_last）及变长数据的 collate_fn；7) 完整检查点保存与加载（保存 model_state_dict、optimizer_state_dict、epoch、loss，加载用 weights_only=True）；8) 性能优化，包括 torch.amp 混合精度、梯度检查点、torch.compile。
使用方式：按资料中的代码模式改写训练代码，避免反模式，如验证时忘记 model.eval()、就地操作破坏自动求导、循环内重复移动模型、backward 前调用 .item()、直接保存整个模型等。建议用 torch.profiler 分析、torch.cuda.memory_summary() 检查显存。
适用场景：图像分类等深度学习项目、训练脚本编写与代码审查、性能调优。
限制：具体安装命令、依赖版本、收费与平台信息暂未提供。